Geavanceerde simulatie en numerieke evaluatie van schatting van medicijnoplosbaarheid bij superkritische verwerking met behulp van kunstmatige intelligentie-berekeningen

Waarom dit belangrijk is voor toekomstige geneesmiddelen

Veel moderne geneesmiddelen lossen slecht op in water, wat kan beperken hoeveel van het middel daadwerkelijk het lichaam bereikt. Farmaceutische fabrikanten stappen over op groenere verwerkingsmethoden die gecomprimeerd kooldioxide gebruiken om de oplosbaarheid te verbeteren. Deze studie toont aan hoe kunstmatige intelligentie kan helpen voorspellen, op de computer, hoe een diabetesmedicijn zich in zo’n systeem gedraagt, zodat kostbare proef-en-fout in het laboratorium kan worden verminderd.

Een schonere manier om slecht oplosbare medicijnen te maken

Farmaceutische bedrijven zijn geïnteresseerd in superkritisch kooldioxide, een bijzondere toestand van CO₂ waarin het zich zowel als gas als vloeistof gedraagt. In deze vorm kan het geneesmiddelen voorzichtig omzetten in zeer kleine deeltjes die beter oplossen, zonder afhankelijk te zijn van toxische organische oplosmiddelen. Een belangrijke uitdaging is vooraf te weten hoeveel van een bepaald geneesmiddel in deze ongewone vloeistof zal oplossen bij verschillende temperaturen en drukken. Traditionele thermodynamische formules kunnen dit doen, maar ze vereisen gedetailleerde metingen voor elk nieuw middel en zijn niet gemakkelijk herbruikbaar voor veel verschillende verbindingen.

Computers laten leren van gegevens

De onderzoekers concentreerden zich op glibenclamide, een slecht in water oplosbaar geneesmiddel dat wordt gebruikt bij de behandeling van diabetes. Ze verzamelden bestaande experimentele metingen van hoeveel van dit middel oplost in superkritische CO₂ onder vele combinaties van temperatuur en druk, samen met hoe dicht de CO₂ onder die omstandigheden is. Met deze dataset trainden ze drie typen kunstmatige neurale netwerkmodellen om de relatie te leren tussen de bedrijfscondities (temperatuur en druk) en twee uitkomsten die van belang zijn voor ontwerp: de dichtheid van de CO₂ en de oplosbaarheid van glibenclamide.

Slimmer afstellen met een door de natuur geïnspireerd hulpmiddel

Om de beste prestaties uit deze neurale netwerken te halen, gebruikte het team een zoekmethode genaamd het Dragonfly-algoritme, geïnspireerd op hoe libellen zich in groepen bewegen tijdens jacht en migratie. In plaats van elke mogelijke instelling van de modellen met brute kracht te testen, stuurt dit algoritme de zoekrichting naar veelbelovende combinaties van interne parameters. Het balanceert het verkennen van nieuwe opties met het verfijnen van goede instellingen, wat vooral nuttig is wanneer veel instellingen op complexe wijze op elkaar inwerken.

Wat de modellen leerden over druk en warmte

Na training konden alle drie de modellen de gemeten waarden voor oplosbaarheid en dichtheid nauwkeurig benaderen, waarbij een relatief eenvoudig netwerk bekend als een multilayer perceptron de meest precieze voorspellingen gaf. De modellen bevestigden dat het verhogen van druk en temperatuur over het algemeen vergroot hoeveel glibenclamide in de superkritische CO₂ kan oplossen, terwijl een hogere temperatuur de dichtheid van de vloeistof geneigd is te verlagen. Door uit de voorspellingen gladde oppervlakken en contourkaarten te construeren, konden de auteurs visualiseren hoe deze variabelen op elkaar inwerken, en zones tonen waar kleine veranderingen in druk of temperatuur sterke effecten op de oplosbaarheid hebben of waar de trend bij lage druk omkeert.

Buiten één geneesmiddel en op weg naar groener ontwerp

Om te onderzoeken of hun benadering alleen voor glibenclamide gold, testten de auteurs het best presterende model op oplosbaarheidsgegevens van vijf andere geneesmiddelen met verschillende structuren. Het model voorspelde opnieuw met hoge nauwkeurigheid de oplosbaarheid in superkritische CO₂, wat suggereert dat het algemene patronen vastlegt in plaats van één geval uit het hoofd te leren. Dit betekent dat het een praktisch hulpmiddel kan worden voor het screenen en ontwerpen van superkritische processen voor nieuwe medicijnen met voornamelijk bestaande gegevens en beperkte aanvullende experimenten.

Wat dit betekent voor patiënten en de planeet

Simpel gezegd laat dit werk zien dat computers kunnen leren voorspellen hoe een geneesmiddel zal oplossen in een schoner CO₂-gebaseerd proces alleen op basis van eerdere metingen. Dat maakt het voor wetenschappers gemakkelijker om bedrijfscondities te vinden die betere oplosbaarheid geven zonder overmatig proef-en-fout of afval. Hoewel de studie niet direct onderzoekt hoe deze veranderingen patiënten beïnvloeden, legt het wel de basis voor het gebruiksvriendelijker maken van moeilijk oplosbare medicijnen en dat met minder schadelijke oplosmiddelen, wat zowel de medicijnontwikkeling als de milieuduurzaamheid ten goede komt.

Bronvermelding: Albariqi, A.H., Alzhrani, R.M., Alghamdi, M.A. et al. Advanced simulation and numerical evaluation of pharmaceutical solubility estimation under supercritical processing using artificial intelligence computations. Sci Rep 16, 15099 (2026). https://doi.org/10.1038/s41598-026-45225-6

Trefwoorden: oplosbaarheid van geneesmiddelen, superkritische CO2, machine learning, farmaceutische verwerking, glibenclamide